مدل‌سازی زمانی و مکانی تراز آب زیر زمینی با استفاده از مدل‌های کریجینگ و شبکه‌های عصبی مصنوعی (مطالعه موردی: دشت میناب)

بخش اعظمی از منابع آب دنیا، منابع آب زیرزمینی است. رشد سریع جمعیت، توسعه کشاورزی و جوابگو نبودن میزان آب های سطحی منجر به افزایش روند پمپاژ آب و در نتیجه افت سطح آب های زیرزمینی و تهی شدن سفره ها شده است. حیات مناطق خشک و نیمه خشک، به دلیل کمی بارندگی کاملاً وابسته به منابع آب زیرزمینی است، بنابراین مدیریت مناسب آب های زیرزمینی در چنین مناطقی بسیار حیاتی است. این پژوهش با هدف مدل سازی مکانی و زمانی تراز آب های زیرزمینی در دشت میناب صورت گرفته است. به منظور شناخت و ارزیابی روند برداشت بی رویه از سفره های آب زیرزمینی دشت میناب، اطلاعات موجود مربوط به منابع آبی (چاه های مشاهده ای) و هیدروژئولوژیکی دشت میناب در دورة زمانی 17ساله (1376-1392) مبنای کار قرار گرفت. برای پهنه بندی و درون یابی تراز آب زیرزمینی دشت میناب علاوه بر روش زمین آماری کریجینگ از روش توابع پایه شعاعی (rbf) که مبتنی بر شبکه عصبی است نیز استفاده شد. در این راستا، مدل های درون یابی اجرا و تغییرات به صورت زمانی و مکانی در سطح دشت میناب بررسی شد. میزان دقت برای هر کدام از مدل ها مورد بررسی قرار گرفت و برای بررسی تغییرات از روش سری زمانی من کندال استفاده شد و در نهایت مدل سازی مکانی - زمانی در طی سال های(1376-1392) مورد بررسی صورت گرفت. نتایج این پژوهش نشان داد که میانگین تراز روندی کاملاً کاهشی داشته است. در میان روش های کریجینگ روش کریجینگ ساده نمایی با ضریب تعیین 0.89 بیشترین دقت را در بین سایر مدل ها نشان داد. در بین روش های rbf نیز روش اسپلاین کاملاً منظم با ضریب تعیین 0.67 بیشترین دقت را نسبت به سایر مدل ها داشت. پس از انتخاب روش کریجینگ به عنوان روش بهینه، روندیابی فضایی با استفاده از نقشه های سالانه تراز صورت گرفت و مشخص شد که میزان افت تراز از نظر جغرافیایی توزیع ناهمسان دارد و در برخی مناطق افت تراز بسیار شدیدتر بوده است. تمامی نقشه های پهنه بندی روند مکانی-زمانی نشان از آن دارد که روند کاهشی تراز آب زیرزمینی دشت میناب از نظر توزیع مکانی با هم متفاوت است و در بخش های مختلف تراز آب با شدت متفاوتی تغییر یافته است که برای انتخاب بهترین روش از بین مدل های مختلف کریجینگ و شبکه عصبی در نهایت از نتایج حاصل از آماره rmse استفاده شد و مشخص شد که روش کریجینگ در مقایسه با روش rbf به شکل بهتری تغییرات تراز آب را در دشت میناب مدل سازی کرده است.

temporal and spatial modeling of underground water level using kriging models and artificial neural networks (case study: minab plain)

most of the world's water sources are underground water sources. rapid population growth، agricultural development، and unresponsive surface water levels have led to an increase in water pumping، resulting in a drop in groundwater levels and depletion of aquifers. life in arid and semi-arid regions is completely de-pendent on groundwater resources due to low rainfall، so proper management of groundwater in such regions is very critical. this research is aimed at modeling the spatial and temporal level of underground water in the minab plain. in order to know and evaluate the process of illegal withdrawal from the underground water table of the minab plain، the available information related to water resources (observation wells) and hydrogeological of minab plain in a period of 17 years (1376-1392) was used as the basis of the work. in addition to the geostatistical kriging method، the radial basis functions (rbf) method، which is based on a neural network، has also been used for zoning and interpolation of the underground water level of minab plain. in this context، the interpolation models of implementation and changes were investigated temporally and spatially in minab plain. the level of accuracy for each of the models was examined، and kendall's time series method was used to examine the changes، and finally، spatio-temporal modeling was done during the years under review. the results of this research showed that the average balance had a completely decreasing trend. among the kriging methods، the simplified kriging method with a determination coefficient of 0.89 showed the most accuracy among other models. among the rbf methods، the fully regular spline method with a coefficient of determination of 0.67 was the most accurate compared to other models. after choosing the kriging method as the optimal method، spatial trending was done using annual level maps and it was found that the amount of level drop has a geographically uneven distribution and in some areas، the level drop was much more intense. all spatial-temporal trend zoning maps show that the decreasing trend of minab plain's underground water level is different from each other in terms of spatial distribution، and in different parts of the water level has changed with different intensity، which is necessary to choose the best method. finally، different kriging and neural network models were used from the results of rmse statistics and it was found that the kriging method has better modeled the water level changes in the minab plain compared to the rbf method.